一种图像分割方法、分割装置、终端设备及存储介质

1.本技术属于图像处理领域，尤其涉及一种图像分割方法、分割装置、终端设备及存储介质。


背景技术：

2.随着科学技术的发展，图像分割技术的应用越来越广泛。比如，将图像分割技术应用到医学领域，对医学图像进行器官分割，分割后的器官可以为临床诊断提供重大依据。
3.目前，对医学图像进行器官分割的技术主要包括卷积神经网络以及生成对抗网络。然而，卷积神经网络需要大量的训练样本，而医学图像的训练样本较少(标签比较昂贵)。生成对抗网络虽然不需要大量的训练样本，但是，生成对抗网络分割的准确率不是很高。
4.因此，目前在少量的训练样本的情况下，医学图像分割的准确率不高。


技术实现要素：

5.本技术实施例提供了一种图像分割方法、分割装置、终端设备及存储介质，可以一定程度上解决在少量的训练样本的情况下，医学图像分割的准确率不高的问题。
6.第一方面，本技术实施例提供了一种图像分割方法，包括：
7.获取待分割医学图像；
8.利用已训练的多任务学习对抗网络中的生成器对上述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，上述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
9.第二方面，本技术实施例提供了一种图像分割装置，包括：
10.获取模块，用于获取待分割医学图像；
11.分割模块，用于利用已训练的多任务学习对抗网络中的生成器对上述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，上述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
12.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所述方法的步骤。
13.第四方面，本技术实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
14.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像分割方法。
15.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
16.本技术实施例与现有技术相比存在的有益效果是：
17.本技术提供一种图像分割方法，首先，获取待分割医学图像。然后利用已训练的多任务学习对抗网络中的生成器对该待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，该已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。由于在训练时同时学习分割器官图像和分割骨抑制图像，可以提高图像分割的准确率。因此，在本技术中，利用该已训练的多任务学习对抗网络中的生成器对该待分割医学图像进行分割，得到的目标器官图像以及目标骨抑制图像的准确率更高。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本技术一实施例提供的图像分割方法的流程示意图；
20.图2是本技术一实施例提供的目标unet网络的结构示意图；
21.图3是本技术一实施例提供卷积层的结构示意图；
22.图4是本技术一实施例提供的矩阵与膨胀卷积层相乘后的结果示意图；
23.图5是本技术一实施例提供的矩阵与扩张率服从连续分布的膨胀卷积层相乘后的结果示意图；
24.图6是本技术一实施例提供的没有包括膨胀卷积层的生成器的心脏图像分割的示意图；
25.图7是本技术一实施例提供的包括膨胀卷积层的生成器的心脏图像分割的示意图；
26.图8是本技术一实施例提供的各种分割方法的评估值的示意图；
27.图9是本技术一实施例提供的图像分割装置的结构示意图；
28.图10是本技术实施例提供的终端设备的结构示意图。
具体实施方式
29.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
30.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
31.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
32.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0033]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0034]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0035]
本技术实施例提供的图像分割方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、个人数字助理(personal digital assistant，pda)等终端设备上，本技术实施例对终端设备的具体类型不作任何限制。
[0036]
为了说明本技术所述的技术方案，下面通过具体实施例来进行说明。
[0037]
实施例一
[0038]
下面对本技术实施例一提供的一种图像分割方法进行描述，请参阅附图1，该方法包括：
[0039]
步骤s101、获取待分割医学图像。
[0040]
在步骤s101中，待分割医学图像指包含人体内部组织器官以及组织器官之间结构的图像。比如，待分割医学图像可以是胸部的x射线图像。或者待分割医学图像也可以是胸部的电子计算机断层扫描图像(computed tomography，ct)。
[0041]
待分割医学图像可以是在本终端设备形成的。也可以是在其他终端设备形成的，然后其他终端设备再发送给本终端设备。对于待分割医学图像形成的设备用户可以根据实际情况进行设置。本技术在此不做具体限定。
[0042]
步骤s102、利用已训练的多任务学习对抗网络中的生成器对待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
[0043]
在步骤s102中，在多任务学习中，包括主任务学习和相关任务学习。由于主任务和相关任务之间存在共性和差异。因此，可以使用相关任务学习的相关信息来提升主任务的学习效果。因此，在本技术中，已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像，从而使得通过已训练的多任务学习对抗网络中的生成器分割得到的图像更加准确。且由于主要目的是获取到目标器官图像，因此，在训练时，可以将学习分割器官图像作为主任务，学习分割骨抑制图像作为相关任务。
[0044]
器官图像可以包括心脏图像以及肝脏图像等。骨抑制图像指从医学图像上提取出来的骨骼图像。
[0045]
在一些实施例中，已训练的多任务学习对抗网络中的生成器为目标unet网络。目标unet网络可以如图2所示，各个实线矩形框表示各个卷积层，虚线矩形框201中的实线箭头表示池化操作，虚线矩形框202中的实线箭头表示上采样操作，虚线箭头表示虚线矩形框
201中的的各个卷积层的输出输入至虚线矩形框202中的各个卷积层中。
[0046]
在另一些实施例中，目标unet网络包括普通卷积层和膨胀卷积层。在实际的应用中，一般通过池化层和卷积层增加感受野，但在增加感受野的同时缩小了图像的尺寸。因此需要再利用上采样操作使图像的尺寸恢复到原来的大小。然而，图像在先缩小后放大的过程中会导致精度的下降。由于膨胀卷积层可以使得在增加感受野的同时保持图像的尺寸不变。因此，在本实施例中，将目标unet网络中的池化层替换为普通卷积层，并将预设数量的普通卷积层替换为膨胀卷积层。即本实施例中的目标unet网络只包括普通卷积层和膨胀卷积层。
[0047]
膨胀卷积层是指卷积核上存在间隔的卷积层。比如，如图3所示，普通卷积层的卷积核如301所示，卷积核的大小为3*3。此时，在301所示的卷积核上增加间隔，得到302所示的卷积核(此时的扩张率为2)，302所示的卷积核就是膨胀卷积层的卷积核。从302可以看出，此时的卷积核的尺寸已经变成了7*7，但由于此时还是只有9个点有参数，所以将图像与该卷积核进行卷积之后，图像的尺寸不会变小，但感受野却增大了。因此，膨胀卷积层可以使得在增加感受野的同时保持图像的尺寸不变。
[0048]
在另一些实施例中，膨胀卷积层的层数包括至少两层，各层膨胀卷积层的扩张率服从连续分布。
[0049]
虽然膨胀卷积可以在增大感受野的同时保持图像的尺寸不变。但由于膨胀卷积的卷积核存在间隔，使得矩阵(图像)在与膨胀卷积的卷积核进行卷积时，并不是矩阵中的所有参数都参与计算，从而导致与膨胀卷积的卷积核进行卷积后得到的矩阵中的一些参数为零。比如，一个矩阵与膨胀卷积层的卷积核卷积之后的结果如图4(颜色的深浅表示卷积的次数)所示。401表示一个矩阵与一个膨胀卷积层的卷积核卷积之后的结果，402表示一个矩阵连续与两个膨胀卷积层的卷积核(两个膨胀卷积层的卷积核的扩张率相同)卷积之后的结果，403表示一个矩阵连续与三个膨胀卷积层的卷积核(三个膨胀卷积层的卷积核的扩张率相同)卷积之后的结果。从图4可以看出，卷积后得到的矩阵中的一些参数为零。
[0050]
因此，在本实施例中，使各层膨胀卷积层的扩张率不相同，即将各层膨胀卷积层的扩张率设置为服从连续分布。比如，将第一膨胀卷积层的扩张率设置为1，第二膨胀卷积层的扩张率设置为2，第三膨胀卷积层的扩张率设置为3。
[0051]
当各层膨胀卷积层的扩张率设置为服从连续分布时，一个矩阵与膨胀卷积层的卷积核卷积之后的结果如图5所示。501表示一个矩阵与一个膨胀卷积层的卷积核卷积之后的结果，502表示一个矩阵连续与两个膨胀卷积层的卷积核(两个膨胀卷积层的卷积核的扩张率分别为1和2)卷积之后的结果，503表示一个矩阵连续与三个膨胀卷积层的卷积核(三个膨胀卷积层的卷积核的扩张率分别为1,2和3)卷积之后的结果。从图5可以看出，此时卷积之后得到的矩阵中不存在参数为零的情况。
[0052]
在一些可能实现的方式中，膨胀卷积层的层数包括七层。比如，可以将图2中的第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层以及第七卷积层替换为膨胀卷积层。
[0053]
在另一些实施例中，在利用已训练的多任务学习对抗网络中的生成器对待分割医学图像进行分割，得到目标器官图像以及骨抑制图像之前，包括：
[0054]
获取目标训练样本集，并利用原始多任务学习对抗网络的生成器对目标训练样本
集进行分割，得到原始器官图像以及原始骨抑制图像；
[0055]
获取真实器官图像以及真实骨抑制图像，并将原始器官图像、原始骨抑制图像、真实器官图像以及真实骨抑制图像输入至原始多任务学习对抗网络的鉴别器中，得到第一目标损失值以及第二目标损失值；
[0056]
若第一目标损失值不满足第一预设终止条件或第二目标损失值不满足第二预设终止条件，则根据第一目标损失值更新原始多任务学习对抗网络的生成器的网络参数，根据第二目标损失值更新原始多任务学习对抗网络的鉴别器的网络参数，并返回执行获取目标训练样本集，并利用原始多任务学习对抗网络的生成器对目标训练样本集进行分割，得到原始器官图像以及原始骨抑制图像；
[0057]
若第一目标损失值满足第一预设终止条件且第二目标损失值满足第二预设终止条件，则停止训练，得到已训练的多任务学习对抗网络中的生成器以及鉴别器。
[0058]
在本实施例中，将目标训练样本集输入至原始多任务学习对抗网络的生成器中，得到原始器官图像以及原始骨抑制图像。然后将原始器官图像、原始骨抑制图像、真实器官图像以及真实骨抑制图像输入至原始多任务学习对抗网络的鉴别器中，原始多任务学习对抗网络的鉴别器再将原始器官图像与真实器官图像进行比对，将原始骨抑制图像与真实骨抑制图像进行比对，得到第一目标损失值以及第二目标损失值。如果第一目标损失值不满足第一预设终止条件或第二目标损失值不满足第二预设终止条件，则根据第一目标损失值更新原始多任务学习对抗网络的生成器的网络参数，根据第二目标损失值更新原始多任务学习对抗网络的鉴别器的网络参数，并返回执行获取目标训练样本集，并利用原始多任务学习对抗网络的生成器对目标训练样本集进行分割，得到原始器官图像以及原始骨抑制图像。如果第一目标损失值满足第一预设终止条件且第二目标损失值满足第二预设终止条件，则停止训练，得到已训练的多任务学习对抗网络中的生成器以及鉴别器。
[0059]
第一预设终止条件或第二预设终止条件用户可根据实际情况进行设置，本技术在此不做具体限定。真实器官图像或者真实骨抑制图像是用户通过手动分割的图像。由于patchgan网络可以提取更多的图像特征，因此，在本实施例中，多任务学习对抗网络中的鉴别器可以采用patchgan网络。
[0060]
在本实施例中，将学习分割器官图像和学习分割骨抑制图像同时进行训练，且将学习分割器官图像作为主任务，学习分割骨抑制图像作为相关任务，以便使用学习分割骨抑制图像的相关信息来提升分割器官图像的学习效果，即提高器官图像的分割效果。且只有当第一目标损失值满足第一预设终止条件且第二目标损失值满足第二预设终止条件，才停止训练。
[0061]
在一些可能实现的方式中，可以将原始器官图像与原始骨抑制图像进行串联，得到第一图像，将真实器官图像以及真实骨抑制图像进行串联，得到第二图像，然后再将第一图像以及第二图像输入原始多任务学习对抗网络的鉴别器中，原始多任务学习对抗网络的鉴别器再根据第一图像输出第三图像，根据第二图像输出第四图像。然后根据原始器官图像、原始骨抑制图像、真实器官图像、真实骨抑制图像、第三图像以及第四图像得到第一目标损失值以及第二目标损失值。
[0062]
第一目标损失值的计算公式如下：
[0063][0064]
其中，lg表示第一目标损失值，e代表数学期望，log()表示对数函数，g
ti
表示真实器官图像或真实骨抑制图像，o
ti
表示原始器官图像图像或原始骨抑制图像，odf表示第三图像。
[0065]
第二目标损失值的计算公式如下：
[0066]
ld＝e[log(odr)] e[log(1-odf)]
[0067]
其中，ld表示第二目标损失值，odr表示第四图像。
[0068]
在停止训练之后，再使用测试集对已训练的多任务学习对抗网络中的生成器进行评估(验证)。对于器官图像的分割效果可以使用dice(d)和jaccard(j)相似度系数进行评估，对于骨抑制图像的分割效果可以使用均方根误差(root mean square error，rmse)和结构相似性指数(structural similarity index ssim)进行评估。
[0069]
在一些实施例中，当目标训练样本集且测试集均为胸部的x射线图像，且利用已训练的多任务学习对抗网络中的生成器进行心脏分割时，将测试集输入至已训练的多任务学习对抗网络中的生成器(此时的已训练的多任务学习对抗网络中的生成器没有包括膨胀卷积层)中，得到分割后的心脏图像如图6所示。601为胸部的x射线图像，602为真实心脏图像，603为经过普通对抗网络分割的心脏图像，604为经过本实施例的生成器分割后的心脏图像。从图6中可以看出，本实施例的生成器分割心脏图像的准确率比普通对抗网络分割心脏图像的准确率更高。
[0070]
当已训练的多任务学习对抗网络中的生成器包括膨胀卷积层(此时，膨胀卷积层的层数包括7层，且是图2中的第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层以及第七卷积层为膨胀卷积层，各层膨胀卷积层的扩张率服从连续分布)时，将测试集输入至已训练的多任务学习对抗网络中的生成器中，得到分割后的心脏图像如图7所示。701为胸部的x射线图像，702为真实心脏图像，703为经过本实施例中没有包括膨胀卷积层的生成器分割后的心脏图像，704为经过本实施例中包括膨胀卷积层的生成器分割后的心脏图像。从图7中可以看，在多数情况下，本实施例中包括膨胀卷积层的生成器分割的效果比没有包括膨胀卷积层的生成器分割的效果较好。
[0071]
图8表示各种分割方法的评估值。从图8也可以看出，多任务学习对抗网络心脏图像分割的(没有包括膨胀卷积层)的评估值比普通对抗网络心脏图像分割的评估值高，多任务学习对抗网络心脏图像分割(包括膨胀卷积层)的评估值比多任务学习对抗网络心脏图像分割(没有包括膨胀卷积层)的评估值高。但多任务学习对抗网络骨抑制图像分割(包括膨胀卷积层)的评估值比多任务学习对抗网络骨抑制图像分割(没有包括膨胀卷积层)的评估值低。
[0072]
在另一些实施例中，获取目标训练样本集，包括：获取原始训练样本集；对原始训练样本集中的训练样本进行预处理，得到目标训练样本集。
[0073]
在本实施例中，对原始训练样本集中的训练样本进行预处理，从而得到目标训练样本集。原始训练样本集中的训练样本进行预处理的方法包括降低原始训练样本集中的训练样本的分辨率(比如，将原始训练样本集中的训练样本的分辨率从2048*2048更改为512*512)、对原始训练样本集中的训练样本进行归一化处理以及对原始训练样本集中的训练样
本进行扩容处理。扩容处理的方法包括图像模糊、增加噪声、图像旋转、图像裁剪中的至少一种。
[0074]
综上所述，本技术提供一种图像分割方法，首先，获取待分割医学图像。然后利用已训练的多任务学习对抗网络中的生成器对该待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，该已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。由于在训练时同时学习分割器官图像和分割骨抑制图像，可以提高图像分割的准确率。因此，在本技术中，利用该已训练的多任务学习对抗网络中的生成器对该待分割医学图像进行分割，得到的目标器官图像以及目标骨抑制图像的准确率更高。
[0075]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0076]
实施例二
[0077]
图9示出了一种图像分割装置的示例，为了便于说明，仅示出了与本技术实施例相关的部分。该装置900包括：
[0078]
获取模块901，用于获取待分割医学图像。
[0079]
分割模块902，用于利用已训练的多任务学习对抗网络中的生成器对待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
[0080]
可选地，已训练的多任务学习对抗网络中的生成器为目标unet网络。
[0081]
可选地，目标unet网络包括普通卷积层和膨胀卷积层。
[0082]
可选地，膨胀卷积层的层数包括至少两层，各层膨胀卷积层的扩张率服从连续分布。
[0083]
可选地，该装置900还包括训练模块，该训练模块用于执行：
[0084]
获取目标训练样本集，并利用原始多任务学习对抗网络的生成器对目标训练样本集进行分割，得到原始器官图像以及原始骨抑制图像；
[0085]
获取真实器官图像以及真实骨抑制图像，并将原始器官图像、原始骨抑制图像、真实器官图像以及真实骨抑制图像输入至原始多任务学习对抗网络的鉴别器中，得到第一目标损失值以及第二目标损失值；
[0086]
若第一目标损失值不满足第一预设终止条件或第二目标损失值不满足第二预设终止条件，则根据第一目标损失值更新原始多任务学习对抗网络的生成器的网络参数，根据第二目标损失值更新原始多任务学习对抗网络的鉴别器的网络参数，并返回执行获取目标训练样本集，并利用原始多任务学习对抗网络的生成器对目标训练样本集进行分割，得到原始器官图像以及原始骨抑制图像；
[0087]
若第一目标损失值满足第一预设终止条件且第二目标损失值满足第二预设终止条件，则停止训练，得到已训练的多任务学习对抗网络中的生成器以及鉴别器。
[0088]
可选地，该装置900还包括预处理模块，预处理模块用于执行：
[0089]
用于获取原始训练样本集；
[0090]
对原始训练样本集中的训练样本进行预处理，得到目标训练样本集。
[0091]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例一基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例一部分，此处不再赘述。
[0092]
实施例三
[0093]
图10是本技术实施例三提供的终端设备的示意图。如图10所示，该实施例的终端设备1000包括：处理器1001、存储器1002以及存储在上述存储器1002中并可在上述处理器1001上运行的计算机程序1003。上述处理器1001执行上述计算机程序1003时实现上述各个方法实施例中的步骤。或者，上述处理器1001执行上述计算机程序1003时实现上述各装置实施例中各模块/单元的功能。
[0094]
示例性的，上述计算机程序1003可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器1002中，并由上述处理器1001执行，以完成本技术。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序1003在上述终端设备1000中的执行过程。例如，上述计算机程序1003可以被分割成获取模块以及分割模块，各模块具体功能如下：
[0095]
获取待分割医学图像；
[0096]
利用已训练的多任务学习对抗网络中的生成器对所述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，所述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
[0097]
上述终端设备可包括，但不仅限于，处理器1001、存储器1002。本领域技术人员可以理解，图10仅仅是终端设备1000的示例，并不构成对终端设备1000的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0098]
所称处理器1001可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件插件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0099]
上述存储器1002可以是上述终端设备1000的内部存储单元，例如终端设备1000的硬盘或内存。上述存储器1002也可以是上述终端设备1000的外部存储设备，例如上述终端设备1000上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，上述存储器1002还可以既包括上述终端设备1000的内部存储单元也包括外部存储设备。上述存储器1002用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器1002还可以用于暂时地存储已经输出或者将要输出的数据。
[0100]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可
以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0101]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0102]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0103]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0104]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0105]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0106]
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述各个方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0107]
以上上述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改
或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。